بررسي آموزش شبكه عصبي با استفاده از الگوريتم‌هاي فرا ابتكاري به‌ منظور پيش‌بيني شاخص كل در بورس ايران

Investing Neural Network Trianing with Metaheuristic Algorithms in order to Prediction of Iran Stock Index

پيش‌بيني و آناليز حركات بازار سهام موضوع بسيار مهم براي محققان، معامله گران و تحليل گران بازار مي باشد و نقش مهمي در اقتصاد امروز دارد. تنوع در سياست هايي مانند سياست هاي دولتي و سياست هاي اقتصادي بر بازار سرمايه تأثير مي گذارند و باعث تغييرات قيمتي سهام مي شوند. پيش‌بيني حركات بازار به‌صورت روزانه، به دليل غيرخطي بودن و آشوب ناك بودن حركات قيمت سهام كار بسيار مشكلي مي باشد. روش هاي مختلفي براي پيش‌بيني در بورس وجود دارد. تكنيك هاي هوش مصنوعي به‌صورت گسترده براي پيش‌بيني داده هاي با ساختار غيرخطي و آشوب ناك به كار گرفته‌شده‌اند. يكي از اين تكنيك‌ها استفاده از شبكه‌هاي عصبي مي‌باشد. درصورتي‌كه شبكه عصبي به‌درستي آموزش داده شود، خطاي كمتري در پيش‌بيني خواهد داشت. در اين پژوهش با استفاده از 8 الگوريتم فرا ابتكاري اقدام به آموزش شبكه عصبي پرسپترون چندلايه خواهيم كرد و به پيش‌بيني شاخص كل بورس تهران خواهيم پرداخت. نتايج به‌دست‌آمده از اين پژوهش نشان داد كه الگوريتم بهينه‌سازي گرگ خاكستري داراي كمترين خطا در آموزش شبكه عصبي دارد

Prediction and analysis of stock market movementsare an important topic for researchers, traders and have got an important role in today’s economy. Variety in policies, such as government policies and economic policiesaffect the stock market and cause stock price changes. The predicting stock price movement on a daily basisdue to the non-linear and chaoticstock price movements is a difficult task. There are several ways for predicting in stock market. Artificial intelligence techniques have been widely used to predict data with nonlinear and chaotic structure. One of these techniques is neural network. If neural network is trained correctly, then it has minimum error in predicting. In this research, we will train the multilayer perceptron neural network with 8 metaheuristics algorithms and we predict Tehran Exchange Dividend Price Index (TEDPIX). The Results show that grey wolf optimization has the minimum error in training of neural network.